Académique Documents
Professionnel Documents
Culture Documents
Q = α0 K α1 L α2
On demande :
1) de donner une interprétation économique des coefficients α1 et α2 ;
2) d’estimer les paramètres du modèle et de commenter les résultats ;
3) de calculer le risque α de première espèce concernant l’hypothèse des rendements
d’échelle constants.
Les données collectées sont présentées dans le tableau 1 suivant :
K L Q
8 23 106,00
9 14 81,08
… … …
3 10 43,21
6 71 121,24
Solution
y/y ∂ Log(y)
e= = = rapport de dérivées logarithmiques.
x/x ∂ Log(x)
Les coefficients α1 et α2 sont donc des élasticités.
Dans tout modèle spécifié sous forme Log-Log, les coefficients s’in-
terprètent directement en termes d’élasticités.
2) Estimation des coefficients du modèle Log-linéaire
Le modèle à estimer est donc le suivant :
Log(Q) = Log(α0 ) + α1 Log(K ) + α2 Log(L) +ε
LQ = a0 + α1 LK + α2 LL +ε
166 ÉCONOMÉTRIE
0,05
Les t ∗ de Student calculés sont tous supérieurs au t lu (t22 = 2,07), les coefficients
sont donc significativement différents de 0 au seuil de 5 %.
LK = LL = LQ =
Log(k) Log(L) Log(Q)
0,90 1,36 2,03
0,95 1,15 1,91
… … …
0,48 1,00 1,64
0,78 1,85 2,08
2 2 2
Soit
σα̂1+α̂2 =
σα̂1 +
σα̂2 α1 ,
+ 2 cov ( α2 )
= 0,000749 + 0,001261 + 2 × 0,000314 = 0,002638
α1 +
α2 − 1 0,64 + 0,25 − 1 0,020
t∗ = = = −2,14 ≃ t22
σα̂1+α̂2 0,05136
168 ÉCONOMÉTRIE
1) Le modèle logistique (ou courbe de Verhulst ou courbe de Pearl)
Ce modèle est défini par la formulation suivante :
ymax
yt =
1 + br t
où b et r sont les deux paramètres du modèle (0 < r < 1) , r définit la vitesse
de diffusion (plus r est proche de 0 , plus vite nous atteindrons l’asymptote) ; b
est une caractéristique d’ordonnée à l’origine ; ymax = seuil de saturation.
Si t → ∞ alors yt → ymax , et si t → −∞ alors yt → 0 .
Le point d’inflexion est fixe et est atteint pour yt = ymax /2 .
Le graphique 1 illustre l’allure générale de la courbe logistique.
2) Le modèle de Gompertz
Ce modèle est défini par la formulation suivante :
t +a
yt = ebr → Ln(yt ) = br t + a
(e = base du logarithme népérien).
Avec ymax = ea = seuil de saturation, b et r sont les deux paramètres du
modèle (b < 0 et 0 < r < 1) .
Si t → ∞ alors yt → ymax , et si t → −∞ alors yt → 0 .
170 ÉCONOMÉTRIE
Algorithme de Gauss-Newton
Soit le modèle non linéaire : yt = f (X, a) + εt où X est la matrice des observa-
tions des variables explicatives (de dimension n , k + 1 ) et a est le vecteur (de
dimension k + 1 ) des paramètres à estimer.
Sous les hypothèses classiques concernant εt , l’estimateur des moindres car-
rés est la valeur de a qui minimise la somme des carrés des résidus :
∂S ∂ f (X, a)
= −2 [yt − f (X, a)] = 0
∂a ∂a
∂ f (x1 , a) ∂ f (x1 , a)
...
∂a0 ∂ak
∂ f (X, a) .. .. ..
Avec = Z (a) = . . .
∂a
∂ f (xn , a) ∂ f (xn , a)
...
∂a0 ∂ak
Soit Z (a 1 ) cette matrice calculée pour les valeurs particulières de a(a = a 1 ) .
Puis, à l’aide d’un développement limité de Taylor au voisinage de a 1, nous pou-
vons approximer la t -ième observation
∂ f (xt , a) ∂ f (xt , a)
f (xt , a) ≃ f (xt , a 1 ) + ... (a − a 1 )
∂a0 ∂ak
a=a1 a=a1
B. Exemples d’application
Exercice n° 2
fichier C6EX2
Estimation des paramètres d’un modèle de diffusion Logistique
et de Gompertz
Le tableau 3 présente les ventes cumulées (en milliers d’unités) d’un CD audio d’un
artiste à succès sur 19 semaines.
Semaines Ventes
1 44,7
2 61,0
… …
18 607,0
19 633,9
On demande :
1) D’estimer les paramètres d’un modèle de diffusion de type Logistique.
2) D’estimer les paramètres d’un modèle de diffusion de type Gompertz.
Solution
Le graphique 2 présente l’évolution des ventes cumulées en fonction des semaines. Ce
graphique peut suggérer une évolution selon un modèle de diffusion, nous serions alors
à proximité du point d’inflexion.
172 ÉCONOMÉTRIE
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Résultats (Eviews) :
R-squared 0.999009
ymax 718
Le modèle estimé s’écrit : yt = =
1 + br t 1 + 14,77 × 0,785t
Résultats
t t
Soit le modèle : yt = ebr +a = e(−3,46×0,88 +6,83) ; le seuil de saturation, selon un
modèle de Gompertz, est donc de e6,83 = 927.
Exercice n° 3
fichier C6EX1
Estimation des paramètres d’une fonction de production de type CES
Les fonctions de production à l’élasticité de substitution constante, appelées CES1
(Constant Elasticity of Substitution), sont de la forme :
Q = β1 [β2 K β3 + (1 − β2 )] L β3 ]ν/β3
174 ÉCONOMÉTRIE
1) de transformer cette fonction de production par un passage aux logarithmes ;
2) d’estimer les paramètres du modèle ;
3) de comparer les résultats avec ceux obtenus à l’exercice 1.
Solution
1) Transformation du modèle
Q = β1 [β2 K β3 + (1 − β2 )] L β3 ]β4
J
usqu’à maintenant, nous avons spécifié des modèles où toutes les
variables sont exprimées à la même période. Cependant, la théorie
économique postule couramment – non pas des effets synchrones –
mais des effets retardés.
Ces modèles à décalages peuvent inclure comme variables retardées aussi
bien la variable endogène que les variables exogènes. Nous étudierons,
tout d’abord en I., les modèles autorégressifs dont la variable retardée
est la variable endogène. Puis, en II., une autre classe de modèle est envi-
sagée : les modèles à retards échelonnés. Dans cette spécification, les
variables exogènes apparaissent à plusieurs décalages.
Enfin, en III., nous présentons deux exemples de modèles dynamiques.
178 ÉCONOMÉTRIE
n
h=ρ [2]
σb̂12
1 − n
H1 : ρ = 0 H1 : h = 0
Si |h| t α/2 , nous acceptons l’hypothèse H0 d’indépendance des erreurs.
(t α/2 = valeur issue de la loi normale pour un test bilatéral au seuil de α .)
Nous remarquons que si nσb̂12 1 , la statistique « h » ne peut pas être calcu-
lée ; dans ce cas, nous pouvons utiliser la statistique de Durbin et Watson en
incluant la zone de doute dans la zone d’autocorrélation des erreurs.
Dans le cas d’absence d’autocorrélation des erreurs, les estimateurs des MCO
appliqués au modèle [1] convergent asymptotiquement vers les valeurs vraies
des paramètres et ont une variance minimale parmi tous les estimateurs conver-
gents.
Cependant, pour les petits échantillons, lors de l’estimation d’un modèle
autorégressif d’ordre h , les résultats asymptotiques sont alors très approxima-
tifs, car le nombre de périodes d’estimation est de n − h . De plus, les problèmes
de colinéarité entre les variables explicatives décalées interdisent pratiquement
d’utiliser les MCO.
En résumé, pour l’estimation des modèles autorégressifs à erreurs indépen-
dantes, l’application de la méthode classique des MCO est licite si le nombre
d’observations est suffisant (souvent dans la pratique n > 15 ).
Dans le cas d’erreurs autocorrélées, nous devons utiliser une des méthodes
d’estimation robuste présentées au chapitre 5.
180 ÉCONOMÉTRIE
Exercice n° 1
fichier C7EX1
Estimation des paramètres d’un modèle autorégressif à erreurs liées
Un économètre désire tester la relation entre les prix officiels (P O) de la tonne de
café et les prix réellement appliqués à l’exportation (P E) par les pays producteurs. Il se
propose d’estimer la relation :
P Ot = a0 + a1 P Ot−1 + a2 P E t + εt
dans laquelle le prix officiel est fonction de manière instantanée du prix observé et s’ajus-
te avec un retard d’un an au prix officiel.
Il dispose des données, sur 16 ans, présentées au tableau 1.
t PO PE
1 455,0 615,0
2 500,0 665,0
3 555,0 725,0
4 611,0 795,0
5 672,0 870,0
6 748,5 970,0
7 846,0 1 095,0
8 954,5 1 235,0
9 1 090,0 1 415,0
10 1 243,5 1 615,0
11 1 390,0 1 795,0
12 1 559,0 2 015,0
13 1 781,0 2 315,0
14 2 046,5 2 660,0
15 2 311,0 2 990,0
16 2 551,0 3 280,0
On demande :
1) d’estimer la relation et de tester une éventuelle autocorrélation des erreurs ;
2) d’en corriger les effets, le cas échéant.
Dependent Variable : PO
Included observations : 15 after adjusting endpoints
L’équation est estimé sur 15 périodes (n − 1) car dans le modèle figure une variable
retardée d’une période.
La statistique de Durbin et Watson laisse augurer d’une autocorrélation des erreurs,
ce qui est confirmé par le « h » de Durbin [2] :
n 15
h=ρ 2
= 0,687 = 2,68 > t 0,05 = 1,96
1 − n
σâ1 1 − 15 × 0,0013
182 ÉCONOMÉTRIE
Nous observons que les différences entre les coefficients de régression sont assez
faibles pour a1 (0,224 et 0,240) comme pour a2 (0,622 et 0,598); nous pouvons consi-
dérer les résultats obtenus à la première régression comme valides.
Cependant, à titre pédagogique, nous allons utiliser la méthode de correction d’auto-
corrélation des erreurs.
Le modèle estimé, selon la méthode de Hildreth-Lu, est alors :
yt = A(D)xt + b0 + εt [7]
où A(D) est un polynôme de degré h , tel que :
A(D) = a0 + a1 D 1 + a2 D 2 + . . . + ah D h
Le nombre de retards, h , peut être fini ou infini. Cependant, la somme des
coefficients a j tend vers une limite finie, sinon yt serait un processus explosif.
Retard moyen
1) Test de Fisher
Le test le plus naturel est celui de Fisher dans lequel nous testons l’hypothèse de
la nullité des coefficients de régression pour les retards supérieurs à h .
La formulation des hypothèses est la suivante, lorsque l’on teste, d’une manière
descendante, une valeur de h comprise entre 0 et M : 0 < h < M .
1. Il s’agit de déterminer quelle est la période maximum d’influence de la série explicative. Il peut
très bien arriver, c’est même souvent le cas, que des coefficients de rang inférieur au décalage
h ne soit pas significativement différents de 0.
184 ÉCONOMÉTRIE
H01 : h = M − 1 → a M = 0 H11 : h = M → a M = 0
H02 : h = M − 2 → a M−1 = 0 H12 : h = M − 1 → a M−1 = 0
.. ..
. .
i i
H0 : h = M − i → a M−i+1 = 0 H1 : h = M − i + 1 → a M−i+1 = 0
Chacune de ces hypothèses fait l’objet du classique test de Fisher, soit :
(SC R M−i − SC R M−i+1 )/1
F1∗ = [9]
SC R M−i+1 /(n − M + i − 3)
que l’on compare au F lu dans la table à 1 et (n − M + i − 3) degrés1 de liberté.
Dès que, pour un seuil donné, le F empirique est supérieur au F lu, nous
rejetons alors l’hypothèse H0 i et la procédure est terminée. La valeur du retard
est égale à M − i + 1 : h = M − i + 1 .
Afin de pouvoir procéder à ce test dans ses conditions d’application, la
Somme des Carrés Totaux doit rester constante d’une estimation à l’autre. Cela
oblige donc à estimer les différents modèles avec un nombre d’observations iden-
tique correspondant donc au nombre d’observations réellement disponible pour
le décalage le plus important, chaque décalage entraînant la perte d’une donnée.
1. Le degré de liberté du dénominateur est égal au nombre d’observations (n) moins le nombre de
paramètres à estimer dans le modèle [6]. Soit pour h = M − i + 1 et en tenant compte du terme
constant et du coefficient de régression pour la variable x à 0 retard :
n − (M − i + 1) − 1 − 1 = n − M + i − 3 .
2. Akaike H., 1973 ; 1974.
3. Schwarz G., 1978.
Solution
Nous procédons aux estimations des modèles sur 34 trimestres, puisque le décalage
maximum testé est de 10, on élimine les 10 premières observations.
Nous calculons les trois critères : Akaike, Schwarz et Fisher à l’aide d’un program-
me Eviews en téléchargement (C7EX2).
Les résultats sont consignés dans le tableau 3.
Tableau 3 – Résultats de la recherche du nombre de décalages optimal
186 ÉCONOMÉTRIE
Nous observons immédiatement que les minima des deux critères (AI C(h) et
SC(h) ) sont situés sur la ligne 6, correspondant donc à 6 décalages. La première valeur
du Fisher empirique qui est significative – en partant du retard 10 – est celle de la ligne
5. Elle est égale à 6,86, ce qui vient confirmer une influence de la variable explicative
allant jusqu’à un décalage de 6 périodes.
Nous allons détailler le calcul des critères1 de Akaike et Schwarz pour le retard 6. Le
résultat de l’estimation pour 6 retards est le suivant :
– Variable à expliquer : Y
– n = 38
521116 2×6
AI C(6) = Ln + = 9,84
38 38
Et d’après [11] :
521116 6 × Ln (38)
SC(6) = Ln + = 10,10
38 38
1. Nous ne revenons pas sur le test de Fisher qui a été déjà abondamment illustré.
Le délai moyen de réaction est 3,64 trimestres, soit presque une année.
188 ÉCONOMÉTRIE